Paligemma 3b Ft Scicap 448

🚀 PaliGemma模型卡片

PaliGemma是一款多功能轻量级视觉语言模型（VLM），它结合图像和文本输入，生成文本输出，支持多语言。该模型基于开放组件构建，适用于图像和短视频字幕、视觉问答、文本阅读、目标检测和目标分割等多种视觉语言任务。

模型信息

模型页面

PaliGemma

资源和技术文档

• Responsible Generative AI Toolkit
• PaliGemma on Kaggle
• PaliGemma on Vertex Model Garden

使用条款

Terms

作者

Google

✨ 主要特性

• 多功能性：支持图像和文本输入，可完成多种视觉语言任务，如问答、字幕生成、分割等。
• 多语言支持：能够处理多种语言的输入和输出。
• 轻量级设计：适合在不同场景下进行微调使用。

📦 安装指南

若要使用8位或4位精度自动运行推理，需要安装bitsandbytes：

pip install bitsandbytes accelerate

💻 使用示例

基础用法

以下代码展示了如何在CPU上以默认精度（float32）运行PaliGemma模型：

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(model_id).eval()
processor = AutoProcessor.from_pretrained(model_id)

# 指示模型创建西班牙语字幕
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt")
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

输出：Un auto azul estacionado frente a un edificio.

高级用法

在CUDA上运行其他精度

以下代码展示了如何在nvidia CUDA卡上以bfloat16精度运行模型：

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"
device = "cuda:0"
dtype = torch.bfloat16

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=dtype,
    device_map=device,
    revision="bfloat16",
).eval()
processor = AutoProcessor.from_pretrained(model_id)

# 指示模型创建西班牙语字幕
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

以4位/8位精度加载模型

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch
from transformers import BitsAndBytesConfig

model_id = "google/paligemma-3b-mix-224"
device = "cuda:0"
dtype = torch.bfloat16

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

quantization_config = BitsAndBytesConfig(load_in_8bit=True)

model = PaliGemmaForConditionalGeneration.from_pretrained(
    model_id, quantization_config=quantization_config
).eval()
processor = AutoProcessor.from_pretrained(model_id)

# 指示模型创建西班牙语字幕
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

📚 详细文档

模型信息

模型概述

PaliGemma受PaLI - 3启发，基于开放组件（如SigLIP视觉模型和Gemma语言模型）构建。它以图像和文本作为输入，生成文本输出，支持多语言。该模型旨在针对广泛的视觉语言任务进行微调，以实现领先的性能。

模型架构

PaliGemma由Transformer解码器和Vision Transformer图像编码器组成，共有30亿个参数。文本解码器从Gemma - 2B初始化，图像编码器从SigLIP - So400m/14初始化。PaliGemma按照PaLI - 3的配方进行训练。

输入和输出

• 输入：图像和文本字符串，如为图像添加字幕的提示或问题。
• 输出：针对输入生成的文本，如图像字幕、问题答案、目标边界框坐标列表或分割码字。

模型数据

预训练数据集

PaliGemma在以下数据集的混合上进行预训练：

• WebLI：WebLI (Web Language Image)是一个基于公共网络构建的网络规模多语言图像 - 文本数据集。使用多种WebLI分割来获得模型的多功能能力，如视觉语义理解、目标定位、视觉情境文本理解、多语言能力等。
• CC3M - 35L：从网页中精心挑选的英语图像 - 替代文本对（[Sharma et al., 2018](https://aclanthology.org/P18 - 1238/)）。使用Google Cloud Translation API将其翻译成另外34种语言。
• VQ²A - CC3M - 35L/VQG - CC3M - 35L：VQ2A - CC3M的一个子集（[Changpinyo et al., 2022a](https://aclanthology.org/2022.naacl - main.142/)），使用Google Cloud Translation API翻译成与CC3M - 35L相同的另外34种语言。
• OpenImages：基于OpenImages数据集通过手工规则生成的检测和目标感知问答数据（Piergiovanni et al. 2022）。
• WIT：从维基百科收集的图像和文本（Srinivasan et al., 2021）。

数据责任过滤

为了在干净的数据上训练PaliGemma，对WebLI应用了以下过滤：

• 色情图像过滤：移除被认为具有色情性质的图像。
• 文本安全过滤：识别并过滤与不安全文本配对的图像。不安全文本是指包含或关于儿童性虐待材料、色情内容、粗俗语言或其他冒犯性内容的文本。
• 文本毒性过滤：使用Perspective API识别并过滤与被认为具有侮辱性、淫秽、仇恨或其他毒性的文本配对的图像。
• 文本个人信息过滤：使用Cloud Data Loss Prevention (DLP) API过滤某些个人信息和其他敏感数据，以保护个人隐私。移除了如社会保险号码等标识符和[其他敏感信息类型](https://cloud.google.com/sensitive - data - protection/docs/high - sensitivity - infotypes - reference?_gl=1jg604m_gaODk5MzA3ODQyLjE3MTAzMzQ3NTk._ga_WH2QY8WWF5*MTcxMDUxNTkxMS4yLjEuMTcxMDUxNjA2NC4wLjAuMA..&_ga=2.172110058.-899307842.1710334759)。
• 其他方法：根据内容质量和安全性，按照相关政策和实践进行过滤。

如何使用

PaliGemma是单轮视觉语言模型，不适合对话式使用，在针对特定用例进行微调时效果最佳。

可以通过使用任务前缀（如“detect”或“segment”）来配置模型要解决的任务。预训练模型以这种方式进行训练，以赋予它们丰富的能力（问答、字幕生成、分割等）。然而，它们并非设计用于直接使用，而是通过微调转移到使用类似提示结构的特定任务。对于交互式测试，可以使用“mix”系列模型，这些模型已在多种任务的混合上进行了微调。

如需了解预期用例，请参考[使用和限制部分](#usage - and - limitations)，或访问[博客文章](https://huggingface.co/blog/paligemma - google - vlm)获取更多详细信息和示例。

实现信息

硬件

PaliGemma使用最新一代的张量处理单元（TPU）硬件（TPUv5e）进行训练。

软件

训练使用了JAX、Flax、TFDS和[big_vision](https://github.com/google - research/big_vision)。

JAX允许研究人员利用最新一代的硬件（包括TPU）来更快、更高效地训练大型模型。TFDS用于访问数据集，Flax用于模型架构。PaliGemma的微调代码和推理代码在big_vision GitHub仓库中发布。

评估信息

基准测试结果

为了验证PaliGemma在各种学术任务上的可迁移性，对预训练模型在每个任务上进行微调。此外，还使用转移任务的混合训练了混合模型。报告了不同分辨率下的结果，以了解哪些任务受益于更高的分辨率。重要的是，这些任务和数据集都不是预训练数据混合的一部分，并且它们的图像已从网络规模的预训练数据中明确移除。

混合模型（在转移任务混合上微调）

单任务（在单任务上微调）

📄 许可证

Gemma

访问提示

⚠️ 重要提示

要在Hugging Face上访问PaliGemma，您需要审查并同意Google的使用许可。为此，请确保您已登录Hugging Face并点击下方按钮。请求将立即处理。

💡 使用建议

PaliGemma是单轮视觉语言模型，不适合对话式使用，在针对特定用例进行微调时效果最佳。可以使用任务前缀（如“detect”或“segment”）配置模型要解决的任务。